Supplemental

The one structural note: every link is a claude.ai/share URL, not a published artifact. Share links expose the conversation, which is great for showing your prompt path, but they do not give the grader a stable runnable URL for the final visualization. For a 3D / animation / navigation assignment, share + artifact is the gold standard.

你用了別的ＡＩ產生詳細複雜提示，再餵給 Claude ，要他遵從，目的是節省 Token，＄，與兼顧品質

一般來說，這是合理的做法，但是對於 Claude 可能不適合，反而會限制推理與輸出的品質．

各家ＡＩ平台不同，ChatGPT 對角色很重視，如果是要給教授的答案，他會比較用心去做，一般的話可能就是還好就好．

Claude 偏好短的提示，就像外科手術一樣，乾淨俐落，過多提示會限制 Claude Opus 4.7 adaptive (頂級旗艦版) 的推理，結果會降維．主因是Claude Opus 4.7 Adatpive 是很強的模型，他適合精簡的提示

所以對於聰明的模型，提示要簡單扼要，給他揮灑的空間．對於一般的模型，可以詳細的提示，以免他走偏，而且還自信滿滿．

Prompt Engineering 實用準則

——依模型能力分級的提示策略

核心原則

給弱模型寫「程式」，給強模型寫「規格」。

模型越強 → 提示應該越偏向「明確的目標 + 必要的限制 + 例子」，少給「指定的步驟 + 表演性質的角色」。強模型的價值在 reasoning，過度規定步驟等於把它的 reasoning 預算花在「服從你」而不是「找最佳解」。
模型越弱 → 反過來：step-by-step 跟角色設定都有用，因為那是在補它推理能力的不足。否則它會走偏，而且還自信滿滿。

三個關鍵概念

1. Meta-prompting：AI 提示 AI

讓第一個模型把模糊的需求轉成結構化的指令，再交給第二個模型執行。流程：作業要求 → meta-prompt → code，中間用回饋當 oracle 做迭代。

好處： 把「需求規格化」這個工程動作外包給模型。 陷阱：

三層架構讓除錯變難——出錯時很難定位是「題目沒讀懂 / meta-prompt 寫歪 / 最終生成出問題」。
隱形成本：你會越來越少自己拆解問題，meta-cognition 退化。
長提示 ≠ 好答案。meta-prompt 常常塞滿 boilerplate。

自我檢測： 把 meta-prompt 砍到只剩骨幹，看輸出品質差多少。常常差很少。

2. Persona prompting：角色設定

要分清楚兩種完全不同的東西：

有資訊量的 persona

「你是 Python code reviewer，重點看 production deployment 時的 race condition」

對任何模型都有用，因為它真的縮窄了任務定義。

純儀式性的 persona

「你是世界頂尖的天才超級 AI，請用你的全部智慧⋯」

對強模型是雜訊——佔了 context window 卻沒給新資訊。對弱模型有時還有用（會把輸出分佈往該領域訓練資料偏移），但對 Claude Opus 4.7 / GPT-5 Pro / Gemini 3.1 Pro 這種等級多半是冗餘。

判斷準則： 把這個 persona 拿掉，模型還能知道任務範圍嗎？

拿掉後資訊損失 → 留著
拿掉後沒差 → 刪掉

3. Solution path 過度規定

當你把每一步都寫死，模型就沒空間探索更好的解法。對能 reasoning 的模型，這個成本特別明顯——你等於用人類的局部最優解，去取代它可能找到的全局最優解。

症狀： 提示寫得越仔細，結果越平庸、越沒新意。 對策： 給 what，不要給 how。除非 how 真的有約束（例如必須用某個 library、必須遵守某個 API）。

模型分級提示策略

模型等級	例子	建議提示風格
頂級 reasoning 模型	Claude Opus 4.7, GPT-5 Pro, Gemini 3.1 Pro	短、明確、給目標跟例子，留思考空間。像跟一個資深同事討論。
一般強模型	Claude Sonnet, GPT-5, Gemini 2.5 Pro	中等長度，目標 + 約束 + 1–2 個例子。可加有資訊量的 persona。
小模型 / 開源模型	Llama, Mistral, Qwen 7B–70B	詳細 step-by-step，明確角色，多範例 (few-shot)，限定輸出格式。

外科手術比喻——任務資訊 ≠ 身份戲份

醫師不會因為躺在手術台上的是教授就更認真，但他需要病例、X 光片、手術部位——這些是「任務資訊」，不是「身份戲份」。

學生提示詞常見的問題不是「角色不夠華麗」，而是「沒告訴模型病灶在哪」。

實用 Checklist

寫完提示後，問自己這五題：

角色設定是「有資訊」還是「儀式」？ 拿掉看會不會損失資訊。
我有沒有把步驟全部寫死？ 若是強模型，留空間讓它選路徑。
我有沒有給範例？ 一個好的 example 常常勝過十句描述。
目標是不是夠明確？ 模糊目標下，模型只會生成「看起來像但其實沒解到」的東西。
我能不能判斷它的錯誤來源？ 若提示太複雜，除錯成本會吃掉所有時間紅利。

一句話總結

強模型怕 over-prompt（被綁手綁腳），弱模型怕 under-prompt（自己亂走偏還很自信）。
你的提示複雜度，要 match 模型的能力等級。

給學生的建議學習路徑

第一階段：自己寫提示。 不要急著用 meta-prompting，先練自己「把模糊需求轉成明確規格」的能力。這是工程思維的核心，外包掉就學不到。
第二階段：對照實驗。 同一個任務，用三種提示——極簡、中等、Gemini 幫你寫的——比較輸出。建立自己的直覺。
第三階段：才用 meta-prompting。 而且要知道自己為什麼用、什麼時候不用。

張耀仁

星期四, 5月 28, 2026